¿Qué hace render-editorial-motion-podcast?
Ensambla un clip publicitario de pódcast con movimiento editorial a partir de una configuración: una línea de audio real de pódcast recortada lleva toda la narrativa y cada pulso visual está sincronizado con la oración que describe, en UN lote de ilustraciones editoriales de paleta estrictamente limitada y plana ("una ilustración tipo spot de revista que se mueve" — el estilo y la paleta los elige el usuario). El movimiento no es video generativo sino ken-burns determinista de ffmpeg sobre fotogramas clave estáticos, por lo que se lee como una página impresa que se mueve. Esta capacidad es ese ensamblaje DETERMINISTA GRATUITO — el movimiento ffmpeg, la concatenación dura, la multiplexación de audio, la quema de subtítulos y la tarjeta final PIL.
scripts/config.example.json es el ejemplo trabajado (Klarify "Rat Park", ~40,8s 1080×1920 9:16, 6 pulsos — su aspecto Niemann de dos tonos, paleta crema/carbón/salvia y la metáfora de Rat Park son elecciones de esa demo, nunca valores predeterminados); scripts/PIPELINE.md mapea cada bloque de configuración a su paso de origen y scripts/README.md documenta el ensamblaje gratuito.
Elecciones
Las decisiones creativas son del usuario (la receta del formato de video se las pide); este ensamblaje nunca las elige. El valor de la demo es solo un ejemplo:
- Estilo de ilustración — demo: siluetas planas audaces de dos tonos, medio tono (linaje Niemann / Steinberg).
- Paleta — demo: crema #F4EBD9 + carbón #1A1A1A + un acento salvia #86987A.
- Metáfora central — demo: el estudio Rat Park.
- Tono / voz — demo: cálido y reflexivo, el anfitrión real del pódcast (sin voz generada).
Ejecución
Esta es la etapa de ensamblaje GRATUITA y DETERMINISTA — no gasta nada en la capa de movimiento. Las entradas pagadas son independientes: el MP3 real del pódcast se recorta de la fuente (ffmpeg gratuito) con sus marcas temporales de palabras Whisper, y un fotograma clave de ilustración editorial por pulso (imágenes de referencia encadenadas para que la geometría de la jaula/personaje se mantenga) proviene de create-image-fal (Nano Banana). Dado el audio recortado + words.json + los fotogramas clave por pulso + el PNG real del logotipo de la marca, render-editorial-motion-podcast renderiza cada fotograma clave como un segmento ken-burns, los concatena duramente en el pulso, multiplexa el audio real, quema los subtítulos a media frase y compone la tarjeta final PIL → el máster. Los nuevos cortes reutilizan el audio/fotogramas clave existentes y cuestan $0.
Contrato (el ensamblaje gratuito)
- Una narración hablada lleva todo el spot — NO hay CANCIÓN generada. Multiplexa el MP3 de narración proporcionado (
-map 0:v:0 -map 1:a:0) — una línea real de pódcast recortada (preferida) O una voz en off generada aprobada (create-vo-elevenlabs). Nunca una pista cantada/generada. (Recortar vs. generar es la decisión de PASO-0 de la receta — si no se proporciona un episodio fuente, PREGUNTA al usuario.) - NO hay i2v generativo — solo ken-burns determinista de ffmpeg. Anima cada fotograma clave estático con
zoompan(acercar/alejar, 1.0→~1.06×, 24fps); Seedance/Kling están entrenados con fotorrealismo e inventan estados intermedios naturalistas que colapsan el aspecto de paleta plana limitada. Nunca usesloop 1conzoompan d=N(infla la duración); alimenta una sola imagen y limita con-t+trim. - Cortes duros en el pulso — sin encadenados. Los encadenados fantasma dos jaulas a la deriva una a través de la otra; concatena duramente los segmentos de cada pulso y divide los pulsos largos en microcortes (objetivo: 8–10 momentos visuales distintos). El visual de cada pulso COMIENZA dentro de ~0,5 s de su línea hablada.
- Subtítulos desde marcas temporales de palabras Whisper, ACTIVADOS solo a media frase. Quema subtítulos
frosted-subtlemientras el hablante habla; deja los pulsos silenciosos/reflexivos y la tarjeta final sin subtítulos. TRES reglas obligatorias (cada una nos ha mordido en producción — intégralas):- SIN SUPERPOSICIÓN — limita cada línea a TERMINAR antes de que comience la SIGUIENTE (
end = min(last_word_end + ~0.15, next_start - 0.03)). Dos cajas nunca deben apilarse en el mismo lugar; una cola final que sangra en la siguiente ventana es el error #1 de subtítulos. - ÁREA SEGURA — los subtítulos se colocan en el tercio inferior, por lo que el sujeto del fotograma clave debe permanecer en el ~75% superior (ver
look_pack.caption_safe_areade la receta). Si el sujeto de un fotograma clave terminado invade la banda de subtítulos, desplaza DETERMINISTAMENTE el sujeto HACIA ARRIBA al espacio vacío superior (PIL: pega hacia arriba ~0.24H sobre un lienzo pre-rellenado con el color de papel exacto de una esquina limpia) — nunca permitas que la caja se asiente sobre el sujeto. - MOTOR DE QUEMADO — prefiere libass (filtro
ass/subtitles), pero verificaffmpeg -filtersprimero: muchas compilaciones (Homebrew) carecen de libass/drawtext. Si está ausente, usa la alternativa de overlay determinista — renderiza cada línea como un PNG transparente (caja redondeada esmerilada + texto blanco, PIL) y compón mediante el filtrooverlayde ffmpeg con ventanasenable='between(t,st,en)'temporizadas. El mismo aspecto, sin libass.
- SIN SUPERPOSICIÓN — limita cada línea a TERMINAR antes de que comience la SIGUIENTE (
- Tarjeta final mediante PIL desde el PNG real del logotipo — nunca renderices texto de marca con IA. El bloque se compone de forma determinista (fondo de degradado estirado + recorte de mascota difuminado + logotipo + eslogan con una fuente del sistema); un modelo de difusión distorsiona un logotipo ("terapits"). El video mantiene una pausa silenciosa de ~1,5 s después del audio en la tarjeta final (fundido primero/último 0,3 s).
- Composición ffmpeg, determinista, GRATUITA. Ken-burns en cada fotograma clave, concatenación dura, multiplexación del audio real, quema de subtítulos, pausa en la tarjeta final → un máster 1080×1920 h264+aac. Sin llamadas pagadas.